C/C++正则表达式编程

导读：

　　GNU/Linux有两套库可用于正则表达式编程：POSIX库和PCRE库。前者不需要单独安装，一般需求还是能满足的，速度稍慢些。后者是久负盛名的Perl正则表达式库，功能强大，匹配速度快，不过可能需要单独安装。

　　POSIX库

　　如何使用POSIX库的例子：

　　#include

　　#include

　　#include

　　char *get_regerror (int errcode, regex_t *compiled)

　　{

　　size_t length = regerror (errcode, compiled, NULL, 0);

　　char *buffer = malloc(length);

　　if (!buffer) return NULL;

　　(void) regerror (errcode, compiled, buffer, length);

　　return buffer;

　　}

　　int regtest(const char*pattern, const char* string)

　　{

　　regex_t reg;

　　regmatch_t *subexprs = NULL;

　　int ret;

　　int i;

　　if (0 != (ret=regcomp(?, pattern, REG_EXTENDED))) {

　　char *buffer = get_regerror(ret, ?);

　　if (buffer) {

　　fprintf(stderr, "regcomp:[%d]%s/n", ret, buffer);

　　free(buffer);

　　}

　　return -1;

　　}

　　subexprs = malloc((reg.re_nsub+1)*sizeof(regmatch_t));

　　if (!subexprs) {

　　fprintf(stderr, "error malloc subexprs/n");

　　regfree(?);

　　return -1;

　　}

　　if (0 != (ret=regexec(?, string, reg.re_nsub+1, subexprs, 0))) {

　　char *buffer = get_regerror(ret, ?);

　　if (buffer) {

　　fprintf(stderr, "regexec:[%d]%s/n", ret, buffer);

　　free(buffer);

　　}

　　

　　regfree(?);

　　return -1;

　　}

　　for (i = 0; i <= reg.re_nsub; i++) {

　　printf("[%d]:", i);

　　

　　if (subexprs[i].rm_so == subexprs[i].rm_eo) {

　　printf("[EMPTY SUBEXPR]/n");

　　}

　　else if (subexprs[i].rm_so == -1 ||

　　subexprs[i].rm_eo == -1) {

　　printf("[NO SUBEXPR]/n");

　　}

　　else {

　　fwrite(string+subexprs[i].rm_so, 1,

　　subexprs[i].rm_eo-subexprs[i].rm_so, stdout);

　　printf("/n");

　　}

　　}

　　regfree(?);

　　if (subexprs) free(subexprs);

　　return 0;

　　}

　　int main(int argc, char *argv[])

　　{

　　if (argc != 3) {

　　fprintf(stderr, "Usage: regtest pattern string/n");

　　return -1;

　　}

　　fprintf(stderr, "pattern:%s/n", argv[1]);

　　fprintf(stderr, "string:%s/n", argv[2]);

　　return regtest(argv[1], argv[2]);

　　}

　　在字符串匹配之前，必须先编译匹配模式，这是通过regcomp实现的。这个函数的原型如下：

　　int regcomp (regex_t *compiled, const char *pattern, int cflags)

　　参数compiled有一个成员需要关注：re_nsub，代表编译后的子表达式数目，由于需要保存整个匹配到的模式，所以最终匹配的条目数是re_nsub加1。cflags用来修饰匹配模式，可取值如下：

　　REG_EXTENDED 启用POSIX正则库扩展，关于该扩展的详细信息可参考POSIX规范

　　REG_ICASE 忽略大小写

　　REG_NOSUB 不要存储子表达式

　　REG_NEWLINE 把换行符作为多行的分隔符，这样'$'可匹配每一行的行尾，'^'匹配每一行的行首，'.'不匹配换行符，[^...]不匹配新行

　　编译完模式后从内存中分配子表达式存储空间，然后调用regexec对串进行匹配，该函数原型如下：

　　int regexec (regex_t *compiled, char *string, size_t nmatch, regmatch_t matchptr [], int eflags)

　　nmatch指明matchptr数组的数目，该数目是compiled->re_nsub+1，也可以让nmatch为0,matchptr为NULL，表示不要保存子表达式。eflags通常为0。

　　匹配结束后，匹配到的子表达式在串中的偏移保存在regmatch_t结构中，该结构有两个成员：

　　rm_so 子表达式的起始偏移

　　rm_eo 子表达式的结束偏移

　　这是一个开区间，实际的子表达式在[rm_so,rm_eo)里。

　　如果没有匹配的子表达式，比如"f(o*)"匹配"fum"，实际匹配到的只有"f"，这时rm_so和rm_eo相等，都为1。如果整个模式在没有子表示式的情况下也能匹配，这时rm_so和rm_eo为-1，比如"ba(na)*"匹配"ba"。

　　PCRE库

　　PCRE库的功能虽然强大，可是并不难使用。详细信息可参考http://www.pcre.org/里的文档，附录有一个例子，比较全面地阐述了如何调用该库。

　　PCRE的子表达式和POSIX类似，不过它还引入了一个命名子表达式的概念。比如模式"(?P(?P(/d/d)?/d/d)-(?P/d/d)-(?P/d/d))"，其中的date, year, month, day是对子表达式的命名。如何根据这些名称来获取子表达式，PCRE文档有详细的说明。

　　附录：pcredemo.c

　　/*************************************************

　　* PCRE DEMONSTRATION PROGRAM *

　　*************************************************/

　　/* This is a demonstration program to illustrate the most straightforward ways

　　of calling the PCRE regular expression library from a C program. See the

　　pcresample documentation for a short discussion.

　　Compile thuswise:

　　gcc -Wall pcredemo.c -I/usr/local/include -L/usr/local/lib /

　　-R/usr/local/lib -lpcre

　　

　　Replace "/usr/local/include" and "/usr/local/lib" with wherever the include and

　　library files for PCRE are installed on your system. Only some operating

　　systems (e.g. Solaris) use the -R option.

　　*/

　　#include

　　#include

　　#include

　　#define OVECCOUNT 30 /* should be a multiple of 3 */

　　int main(int argc, char **argv)

　　{

　　pcre *re;

　　const char *error;

　　char *pattern;

　　char *subject;

　　unsigned char *name_table;

　　int erroffset;

　　int find_all;

　　int namecount;

　　int name_entry_size;

　　int ovector[OVECCOUNT];

　　int subject_length;

　　int rc, i;

　　/**************************************************************************

　　* First, sort out the command line. There is only one possible option at *

　　* the moment, "-g" to request repeated matching to find all occurrences, *

　　* like Perl's /g option. We set the variable find_all to a non-zero value *

　　* if the -g option is present. Apart from that, there must be exactly two *

　　* arguments. *

　　**************************************************************************/

　　find_all = 0;

　　for (i = 1; i